AI选址分析与风险评估实操：4个步骤跑完一遍要多久

摘要 :

做AI选址分析，核心是把「这家店能不能开」拆成一堆能打分的小问题，再用模型把人的主观偏好挡在外面。风险评估不是最后加一章凑数，它从第一步就得参与进来。我在课程里……

做AI选址分析，核心是把「这家店能不能开」拆成一堆能打分的小问题，再用模型把人的主观偏好挡在外面。风险评估不是最后加一章凑数，它从第一步就得参与进来。我在课程里带学员跑完整流程，通常分四步：定义问题、凑数据、建风险模型、回测验证。快的话两三天，慢的话两周，差别主要在你手上有多少历史门店数据。

什么是AI选址分析？它到底在算什么

它算的是概率排序，不是算命。模型会告诉你A点位比B点位更可能活下来，但不会告诉你这家店一个月能卖多少钱。把这个预期摆正，后面很多争论就没了。

一个连锁品牌开新店，候选点位动辄十几个，每个点位要看的因素有客流、租金、竞品密度、周边业态、交通动线，靠人一个个拉表比对，三天都干不完。AI选址分析干的就是这件事：把十几个点位按同一套标准排个序，让决策者只在前三名里挑。

学员最容易犯的错，是拿到数据就开始跑模型。我一般会先问一句：你要回答的是「开不开」还是「开在哪」？这是两个问题。前者的输出是一个通过或不通过的判断，后者是多个点位之间的排序。问题定义错了，后面所有指标都是白搭。

拆指标的原则是每个指标都能落到一个具体数字上。像「商圈氛围好」这种描述没法用，得换成「周边五百米内同类门店数量」或者「工作日午间人流量」。

指标定好了，接下来是权重。我通常让运营负责人和一线店长分别给各项指标打分，然后对比两份结果。两份分数差得远的地方，往往就是这家公司内部对选址逻辑没统一的地方，先把这个分歧聊清楚，比调模型参数有用得多。

关键动作是喂失败样本。只拿成功门店训练出来的模型，会倾向于告诉你所有点位都不错，那风险评估就失去意义了。

关掉的门店才是最有价值的数据。一家店倒闭，原因可能是租金太高、竞品太近、动线被挡住，这些信息要逐条记录下来。手上能凑出二十家以上失败门店的样本，风险模型的判断力就会明显不一样。

政策风险看的是这个位置未来两年有没有拆迁、改造、业态限制的可能。竞品风险看的是同商圈内还有几家同类门店在筹备。租约风险最容易被低估，一份五年期的合同，如果第三年租金跳涨百分之二十，很多门店就是在这个节点撑不住的。三类风险分开建模，出问题时你才知道是哪一类在拖后腿。

看排序，别看绝对值。模型给出的分数本身没有单位，意义只存在于点位之间的相对高低。

最直接的验证办法，是挑三家已经开了一年以上的门店，把它们的选址数据重新输入模型，看模型给出的排序和实际经营情况是否对得上。三家里面能对上两家，这套模型基本可以用了。一家都对不上，问题多半出在指标定义或者数据质量上，不是模型本身不行。

反过来也成立。模型排在前面的点位，人工必须去现场走一趟。有些情况数据抓不到，比如门口那棵树挡了招牌，或者隔壁正在装修。这招不是多场景适用的，遇到数据源本身就有偏差的城市，模型给出的排序参考价值会打折扣。

跑得动，但要降低预期。冷启动阶段，模型给的是方向性参考，不是决策依据。

一是用同城市同业态的公开商圈数据做底；二是把品牌内部其他城市门店的数据迁移过来，注意做区域修正；三是先跑一个简化版模型，只用客流和竞品两类指标，等新店开起来再补数据迭代。三种办法可以叠加使用。

进入一个完全陌生的城市，或者业态本身在当地没有先例，这两种情况下模型的参考价值很有限。老老实实做实地调研，比硬跑一个不准的模型强。课程里我也会专门留一节讲这个边界，学员知道什么时候该停手，比会用工具更重要。

下一步建议很具体：先别急着买软件，把你自己品牌过去三年关掉的店列出来，能凑够十家，就从失败样本开始建风险模型。这一步做完，你才知道自己真正缺的是数据还是方法。